Un desarrollador crea un RAG local con Qdrant y LlamaIndex para consultar las leyes de contratación

Un desarrollador que publica en Habr con el nombre de Vladímir ha explicado cómo montó un sistema RAG local basado en LlamaIndex y en la base de datos vectorial Qdrant. Su objetivo era dejar de rebuscar a mano en el Reglamento de Compras de la empresa y en las leyes sectoriales FZ-44 y FZ-223.

Por qué hacía falta un RAG local

El autor explica que el proyecto nació de una necesidad práctica. Buscar a mano formulaciones y condiciones concretas en documentos normativos tan extensos resultaba lento e incómodo. Hablamos del Reglamento de Compras de la empresa y de dos leyes federales: la FZ-44 (sobre el sistema de contratación pública) y la FZ-223 (sobre las compras de determinados tipos de personas jurídicas). Un sistema RAG (retrieval-augmented generation, o generación de respuestas apoyada en fragmentos recuperados de los documentos) permite formular preguntas en lenguaje natural y obtener respuestas basadas en el texto real de la normativa, no en suposiciones del modelo.

El requisito clave era que el sistema funcionara íntegramente en un entorno local, sin llamadas a API externas en la nube. En la documentación de compras aparecen a menudo condiciones comerciales internas, así que este punto resulta fundamental.

Cómo está construido el sistema

• LlamaIndex: framework para indexar documentos y lanzar consultas sobre ellos; el autor lo utilizó por primera vez
• Qdrant: base de datos vectorial de código abierto para almacenar los embeddings de los documentos
• Una API propia sobre la combinación de LlamaIndex y Qdrant
• Una interfaz web con Gradio para interactuar cómodamente con el sistema
• Fuentes de datos: el Reglamento de Compras de la empresa, la FZ-44 y la FZ-223

El autor detalla todo el proceso de montaje, desde la indexación de los documentos hasta el desarrollo de la API y la interfaz. En la práctica, ofrece a los lectores de Habr una plantilla lista para tareas similares con bases jurídicas y normativas locales.

Por qué esta combinación

Qdrant destaca entre las bases de datos vectoriales porque es de código abierto y puede desplegarse de forma totalmente local, sin depender obligatoriamente de un servicio en la nube. Eso convierte su combinación con LlamaIndex en una opción práctica para escenarios en los que los datos no deben salir de la infraestructura de la empresa: documentos jurídicos y de compras, normativas internas o condiciones comerciales con proveedores. En este esquema, LlamaIndex se encarga de dividir los documentos en fragmentos, construir el índice y formular las consultas al modelo de lenguaje a partir de los fragmentos recuperados.

Gradio, por su parte, ofrece a los responsables de compras y a los abogados una interfaz web sencilla que no exige tocar código ni la consola.

Qué viene ahora para el proyecto

El autor presenta el artículo como el análisis de un caso concreto y reproducible, no como un producto comercial terminado. Muestra en detalle los pasos de montaje para que los lectores de Habr puedan replicar la solución con sus propios documentos internos, ya sean otras normas, reglamentos o una base de contratos. Este formato es habitual en la comunidad de ingenieros de Habr, donde el valor de un artículo no está en ofrecer un servicio acabado, sino en mostrar con transparencia el camino desde el planteamiento del problema hasta un prototipo funcional.

Qué significa

Este caso es un ejemplo práctico de cómo el RAG basado en herramientas abiertas como LlamaIndex y Qdrant pasa de las demos de investigación a las tareas corporativas rutinarias: buscar en normativas internas y en la legislación sectorial sin enviar datos sensibles a servicios externos en la nube. Para las empresas que trabajan con contratación pública bajo la FZ-44 y la FZ-223, donde un error al interpretar una norma sale caro, un asistente RAG local permite agilizar el trabajo de abogados y responsables de compras, mientras la decisión final sigue en manos de una persona.